Spatial Autoregressive model은 아래와 같이 정의된다.
이 때 rho는 y값에 대한 자기상관을 반영하는 coefficient이고, W1은 이에 대한 공간 가중 행렬, beta는 일반 회귀 계수와 같은 역할을 한다.
Lambda는 오차항 내에서의 자기상관을 반영하는 coefficient이다.
일반적으로, lambda = 0이라고 가정할 때, Spatial lag model이라고 정의하며, 반대로 rho = 0 이라고 가정할 때, Spatial Error model로 정의된다.
이 때, 유의할 점은 공간 가중 행렬 W는 대각 원소가 모두 0이며, 각 행의 합은 1로 Normalize 되어 있어야 한다.
이번 포스팅에서는 Spatial lag model에 대해서만 다뤄보도록 하겠다.
공간 회귀식은 아래와 같이 정의될 수 있다.
이 식을 Y에 관해서 풀면, 우변은 아래와 같이 변환된다.
이 때, e는 heteroskedastic error로 정의되며, 아래와 같다.
e에 대한 공분산 행렬을 구해보면 아래와 같다.
위 모델을 범주형 Y를 예측하는데 사용하고자 할 때, Y를 Latent continous variable (Y star)로 치환하여 사용 할 수 있다.
Calabrese, R., & Elkink, J. A. (2014). Estimators of binary spatial autoregressive models: A Monte Carlo study. Journal of Regional Science, 54(4), 664-687. 에서는 rho와 beta를 추정할 수 있는 다섯 가지 방법을 리뷰하였다.
1. Maximum Likelihood Estaimation
2. EM 알고리즘
3. Gibbs Sampling
4. Recursive Importance Sampling
5. Generalized method of moments
위 논문에 따르면 작은 sample에 대해서는 Gibbs sampling의 성능이 가장 좋았다고 한다.
하지만 시간적 비용이 굉장히 크다고 한다.
Generalized method of moments는 모수에 분포를 가정하지 않기 때문에, 보다 robust한 결과를 제공해주는 장점이 있다.
Generalized method of moments의 자세한 사항에 대해서는 다음 포스팅에 다루어 보도록 하겠다.
'통계 이모저모 > 공간 통계' 카테고리의 다른 글
[공간 통계] 11. Spatial Autoregressive model with GMM (0) | 2020.03.05 |
---|---|
[공간 통계] 10. Generalizd method of moments (GMM) (0) | 2020.02.25 |
[공간 통계] 8. 공간 회귀 분석 (Spatial regression) (0) | 2020.02.18 |
[공간 통계] 7. Heterogeneity (0) | 2020.02.18 |
[공간 통계] 6. Getis-ord (0) | 2019.09.09 |